高速列車運行場景監(jiān)測數(shù)據(jù)融合算法研究

胥如迅，馬軍惠，孟建軍，2，3，李德倉，2，3，陳曉強

（1.蘭州交通大學(xué)機電技術(shù)研究所，蘭州 730070；2.甘肅省物流及運輸裝備信息化工程技術(shù)研究中心，蘭州 730070；3.甘肅省物流與運輸裝備行業(yè)技術(shù)中心，蘭州 730070；4.蘭州交通大學(xué)機電工程學(xué)院，蘭州 730070）

近年來隨著我國鐵路建設(shè)網(wǎng)愈加龐大，列車運行環(huán)境也愈加復(fù)雜，列車設(shè)施設(shè)備的復(fù)雜性、人的不可預(yù)測性以及環(huán)境的不確定性，有時會引發(fā)嚴(yán)重的鐵路交通事故［1］.例如，2007年2月，開往阿克蘇的5806次列車途徑新疆戈壁大風(fēng)地區(qū)時遭遇強風(fēng)襲擊造成11節(jié)車廂傾覆、34名旅客死亡的嚴(yán)重事故；2020年3月途徑郴州市永興縣的T179次列車與入侵線路的滑塌體相撞，造成嚴(yán)重的人員傷亡事故；2021年5月，因大風(fēng)吹揚地膜致接觸網(wǎng)故障造成部分高鐵晚點，導(dǎo)致成千上萬旅客滯留北京西站；由此可見，監(jiān)測鐵路沿線環(huán)境保證列車運行安全至關(guān)重要.鐵路運行環(huán)境易受自然環(huán)境與人為失誤因素的威脅，自然因素方面，強風(fēng)致使列車脫軌、雨天致使行車軌道濕滑、大霧干擾行車視線以及山體滑坡入侵線路等；人為失誤因素方面，塑料薄膜等異物入侵鐵路限界、鐵路沿線違章作業(yè)以及禁牧區(qū)違規(guī)放牧等［2］.

多傳感器數(shù)據(jù)融合技術(shù)作為一種重要的數(shù)據(jù)處理手段，在醫(yī)療診斷、遙感測繪、環(huán)境監(jiān)測等方面有著廣泛的應(yīng)用［3］，尤其在長距離帶狀區(qū)域如鐵路沿線、煤礦內(nèi)部巷道、高速公路沿線以及電網(wǎng)監(jiān)測等［4］方面具有顯著優(yōu)勢.我國高速列車運行環(huán)境復(fù)雜多變，通過部署多傳感器得到的監(jiān)測數(shù)據(jù)，其可靠性和準(zhǔn)確度比單一傳感器更能達到要求，數(shù)據(jù)融合技術(shù)既能夠適應(yīng)環(huán)境的動態(tài)變化又能降低干擾因素對系統(tǒng)的影響［5］.因此，研究適用于高速列車運行場景監(jiān)測的數(shù)據(jù)融合算法可為后續(xù)鐵路數(shù)據(jù)融合平臺架構(gòu)提供重要參考.

1 多傳感器數(shù)據(jù)融合技術(shù)

數(shù)據(jù)融合技術(shù)是運用單模型算法或多種模型組合算法，對多傳感器采集信息進行融合分析處理，使得決策結(jié)果的準(zhǔn)確度和可靠度更有利于對實際情況的判斷［6］.加權(quán)算法是眾多學(xué)者研究的算法之一，所謂加權(quán)是對測量數(shù)據(jù)分配以合理的權(quán)重，其難點是如何分配最優(yōu)權(quán)重以達到最佳的融合結(jié)果.文獻［7］在數(shù)據(jù)傳輸前，利用Grubbs準(zhǔn)則排除測量數(shù)據(jù)中的過失誤差，自適應(yīng)加權(quán)算法融合之前用算術(shù)平均和批量估計進行數(shù)據(jù)預(yù)處理，提高了融合精度；文獻［8］在分批估計的基礎(chǔ)上引入修正因子來調(diào)節(jié)自適應(yīng)加權(quán)因子，提高了融合精度；文獻［9］為克服提前給定的權(quán)重因子不適應(yīng)環(huán)境的變化致使決策結(jié)果錯誤，綜合考慮數(shù)據(jù)的一致性、當(dāng)前權(quán)重以及綜合影響因子，使融合結(jié)果更加準(zhǔn)確；文獻［10］提出了一種ADAEWF算法，提高了融合精度，但該算法只有監(jiān)測到足夠多的異常數(shù)據(jù)才能觸發(fā)運行；文獻［11］采用分布圖法找到并淘汰異常數(shù)據(jù)，采用自適應(yīng)加權(quán)融合算法，并通過關(guān)系矩陣尋找支持度最高的測量數(shù)據(jù)代替淘汰的異常數(shù)據(jù)，該算法提高了數(shù)據(jù)的完整性.文獻［12］為克服傳統(tǒng)的自適應(yīng)加權(quán)融合算法中測量值選取的弊端，用數(shù)值迭代的思想改進對測量值的選取.

綜上所述，在采用數(shù)據(jù)融合算法之前需要進行一致性判斷，通過定義距離函數(shù)求取一致性矩陣，同時求取各傳感器的綜合支持度，從而判定是否存在異常數(shù)據(jù)并選擇最佳數(shù)據(jù)集參與融合過程.一方面，閾值的選取依賴大量的數(shù)據(jù)處理經(jīng)驗且過于絕對化，導(dǎo)致數(shù)據(jù)融合結(jié)果受主觀因素影響較大，對實際情況易造成誤判；另一方面，異常數(shù)據(jù)的剔除減少了精度較低的傳感器參與數(shù)據(jù)融合的可能性，這有違采用多傳感器數(shù)據(jù)融合的初衷.

本文提出的數(shù)據(jù)融合算法基于文獻［13］提出的在線迭代與局部融合思想，以一種新的置信距離和自適應(yīng)加權(quán)估計算法為理論基礎(chǔ)，一方面擴大參與數(shù)據(jù)融合的傳感器數(shù)量，增加精度較低的傳感器參與數(shù)據(jù)融合的可能性，從而提高數(shù)據(jù)融合精度；另一方面采用自適應(yīng)加權(quán)融和估計算法，自適應(yīng)的為各個傳感器分配最優(yōu)加權(quán)因子，從而提高融合結(jié)果的可靠性，可應(yīng)用于測量數(shù)據(jù)龐大的鐵路運行環(huán)境數(shù)據(jù)級融合過程.

2 算法模型及原理

2.1 自適應(yīng)加權(quán)融合算法

自適應(yīng)加權(quán)融合算法的核心思想是：基于總均方誤差最小的前提，利用各傳感器采集數(shù)據(jù)及測量精度，自適應(yīng)的為各傳感器分配最優(yōu)加權(quán)因子［14］，加權(quán)因子分配的越精確，數(shù)據(jù)融合結(jié)果則越貼近真實值，圖1為自適應(yīng)加權(quán)融和估計模型.

圖1 自適應(yīng)加權(quán)融和估計模型Fig.1 Adaptive weighted fusion and estimation model

2.2 關(guān)系矩陣

3 算法仿真

3.1 算法處理流程

本文算法是根據(jù)新的置信距離測度將關(guān)系矩陣變換成對稱矩陣，依據(jù)關(guān)系矩陣尋找支持度最大的傳感器組，若通過判定處理將傳感器組的測量數(shù)據(jù)采用自適應(yīng)加權(quán)算法融合處理，融合結(jié)果記為復(fù)合傳感器的測量數(shù)據(jù)，并與剩余傳感器的測量數(shù)據(jù)建立關(guān)系矩陣，重復(fù)上述步驟，直至不再具有通過判定處理的數(shù)據(jù)為止；在線迭代過程中發(fā)現(xiàn)某些局部融合結(jié)果與其它傳感器的測量數(shù)據(jù)間具有潛在一致性，可以更充分地發(fā)掘多傳感器測量數(shù)據(jù)的效用，有效地改善多傳感器判定數(shù)據(jù)一致性后直接剔除異常數(shù)據(jù)的弊端.具體的算法處理流程如圖2所示.

圖2 算法處理流程Fig.2 Algorithm processing flow chart

3.2 算法仿真

本文使用Matlab進行仿真，表1為6個傳感器在7個采樣時刻測量的同一特性參數(shù)，特性參數(shù)的實際值為50.表2為各傳感器的測量精度.

表1 傳感器采集數(shù)據(jù)Tab.1 Data collected by sensors

表2 傳感器測量精度Tab.2 Sensor measurement accuracy

可見，r25=1為上三角矩陣中最大值且大于門限值0.01（此例中上限值取0.01），表明傳感器X2和傳感器X5的支持度最大，對這組傳感器采用自適應(yīng)加權(quán)方法融合，得到：

將上式計算結(jié)果看作是復(fù)合傳感器X（2，5）的一次測量數(shù)據(jù)，此時變成了一個5傳感器組，表3為5傳感器組的測量數(shù)據(jù)及其精度.將上式結(jié)果看作是復(fù)合傳感器X（2，3，5）的一次測量結(jié)果，此時還剩4傳感器組，限于篇幅，這里不再贅述關(guān)系矩陣的計算結(jié)果，僅列出每次得到的上三角矩陣中支持度最大值以及自適應(yīng)加權(quán)融合結(jié)果.

表3 5傳感器組采集數(shù)據(jù)及精度表Tab.3 Data collection and precision table of 5 sensor group

1）進行局部融合后剩余為4傳感器組，計算關(guān)系矩陣，得出傳感器X1和傳感器X4支持度（r14=0.478 4）最大且大于門限值0.01，因此將傳感器X1和傳感器X4的監(jiān)測數(shù)據(jù)采用自適應(yīng)加權(quán)進行局部融合得到：

2）進行局部融合后剩余為3傳感器組，計算關(guān)系矩陣，得出復(fù)合傳感器X（1，4）和復(fù)合傳感器X（2，3，5）支持度（r=0.082 9）最大且大于門限值0.01，因此將傳感器X（1，4）和傳感器X（2，3，5）的測量數(shù)據(jù)采用自適應(yīng)加權(quán)進行局部融合得到：

3）進行局部融合后剩余為2傳感器組，計算關(guān)系矩陣矩陣，得出復(fù)合傳感器X（1，2，3，4，5）和傳感器X6支持度（r=0.004 3）最大但小于門限值0.01，因此不再進行融合，通過比較剩余的2個傳感器組，選取融合精度最高的一個，即復(fù)合傳感器X（1，2，3，4，5），最終融合結(jié)果為：

為驗證本文算法的有效性，將數(shù)據(jù)融合結(jié)果與算數(shù)平均值法（算法1）、傳統(tǒng)自適應(yīng)加權(quán)估計算法（算法2）所得結(jié)果進行對比，如表4所示.由表4可以看出本文所提算法極大的提高了估計的參數(shù)精度且誤差更小，具有較高的可靠度和準(zhǔn)確性.圖3是表4中對應(yīng)的算法仿真結(jié)果對比圖，本文算法在融合結(jié)果上更趨于實際值，且更收斂，而使用算法1和算法2得出的融合結(jié)果將大打折扣.

表4 各融合算法數(shù)據(jù)融合結(jié)果對比Tab.4 Comparison of data fusion results of each fusion algorithms

圖3 各融合算法數(shù)據(jù)融合結(jié)果對比Fig.3 Comparison of data fusion results of each fusion algorithms

圖4為不同融合算法在各采樣時刻下的絕對誤差與相對誤差變化過程，從絕對誤差變化過程來看：使用算法1仿真后的融合結(jié)果與實際相差較大，且絕對誤差變化劇烈；使用算法2對數(shù)據(jù)進行處理后，系統(tǒng)的絕對誤差顯著降低，但仍然存在較大誤差且變化幅度有所緩和；使用本文算法絕對誤差低于前兩種算法且變化平緩呈收斂趨勢.在時刻精度最低的傳感器測量數(shù)據(jù)誤差大，使用算法1和算法2得到的融合結(jié)果絕對誤差過大，而使用本文算法可以在迭代的過程中有效的避免該數(shù)據(jù)參與數(shù)據(jù)融合，在、時刻，傳感器的其測量數(shù)據(jù)誤差小，在迭代過程中參與了數(shù)據(jù)融合，有效的證明了本文算法抗干擾能力強，增加了精度較低的傳感器參與數(shù)據(jù)融合的可能性，因此，本文提出的數(shù)據(jù)融合算法估計的參數(shù)精度明顯提高且誤差小.

圖4 各融合算法的誤差對比Fig.4 Error comparison of each fusion algorithm

4 結(jié)束語

本文探討了高速列車運行場景監(jiān)測數(shù)據(jù)融合問題，針對現(xiàn)有數(shù)據(jù)融合方法的缺點，運用在線迭代與局部融合的思想，將支持度高的傳感器組進行局部融合，其結(jié)果記為復(fù)合傳感器測量數(shù)據(jù)，以發(fā)現(xiàn)更多的潛在數(shù)據(jù)一致性，既避免異常數(shù)據(jù)參與融合處理，又提高了融合結(jié)果的準(zhǔn)確性和可靠度，可應(yīng)用于測量數(shù)據(jù)龐大的鐵路運行環(huán)境數(shù)據(jù)級融合過程.需要指出的是雖然本文提出的方法需要付出一定的計算代價，每次局部融合后產(chǎn)生的新的復(fù)合傳感器要與其他傳感器進行一致性判定，增加了一定的計算量，但是由于計算機水平的發(fā)展，這是可以克服的.